导读:本文包含了模糊神经网络预测模型论文开题报告文献综述及选题提纲参考文献，主要关键词:水质评价,多参数,遗传算法,BP神经网络
模糊神经网络预测模型论文文献综述
肖金球,周翔,潘杨,冯威,陈多观[1]（2019）在《GA-BP优化TS模糊神经网络水质监测与评价系统预测模型的应用——以太湖为例》一文中研究指出针对水质监测与评价系统在太湖应用过程中水质数据和水质等级评价不准确的问题,建立了一种多隐含层改进型GA-BP神经网络来辨识复杂的水质模型,以均方误差MSE作为个体适应度,并在权值调整过程中加入动量因子来加快收敛速度,获取最优权阈值,提高其拟合程度和泛化能力.根据校准后水质的pH、溶解氧、浊度和氨氮数据,利用TS模糊神经网络建立了适用于当地水质评价的模型.仿真测试结果充分说明改进型GA-BP优化TS模糊神经网络对复杂水质模型的拟合程度更高,水质数据的均方误差、绝对误差更小,绝对误差保持在1.5%以内,水质等级预测精度提高14.28%.(本文来源于《西南大学学报(自然科学版)》期刊2019年12期）
姜平,赵保国,张海伟,李丽锋,王鹏程[2]（2019）在《基于T-S模糊神经网络的热负荷预测模型》一文中研究指出为了解决火电厂供热和供电的矛盾、增强机组的调峰范围,需要建立精确的热负荷预测模型。针对热电联供系统热负荷影响因素多、耦合性非线性强等特点,利用T-S模糊神经网络算法建立热负荷预测模型,用于预测未来时间热负荷的变化。通过基于减法聚类的模糊C均值聚类算法进行结构辨识,再利用模糊神经网络的混合学习算法进行参数辨识。为了建立热负荷的精确模型,选取热负荷的主要影响因素作为变量。其中,将室外温度、供水温度、回水温度、供水流量作为输入变量,热负荷作为输出变量,并从热电厂DCS上采集连续两天24 h的历史数据,将前一天的数据作为训练集和后一天的数据作为检测集。在MATLAB上进行试验。仿真结果显示:98%的训练样本的相对误差在±0.4%之间,且98%的检测样本的相对误差在±0.6%之间。这表明预测模型的拟合度精确度较好,可以为供热机组调峰研究提供依据。(本文来源于《自动化仪表》期刊2019年11期）
李耀贵,伍先明[3]（2019）在《基于模糊神经网络的铣床热误差预测模型研究》一文中研究指出当前,铣床主轴加工产品容易受到热误差的影响,造成产品精度下降。对此,采用模糊神经网络模型预测铣床主轴热误差,并对预测结果进行比较和分析。建立神经网络径向基函数的表达式,给出了模糊推理系统和控制规则,创建了模糊RBF神经网络预测模型,对铣床主轴进行热误差验证。结果显示:铣床主轴采用RBF神经网络模型预测误差较大,其Y轴和Z轴输出最大误差分别为5.9μm和7.1μm;铣床主轴采用模糊RBF神经网络模型预测误差较小,其Y轴和Z轴输出最大误差分别为3.5μm和2.9μm。同时,模糊RBF神经网络模型预测误差跳动幅度较小。采用模糊RBF神经网络预测模型,可以补偿铣床运行时产生的热误差,提高铣床主轴加工精度。(本文来源于《井冈山大学学报(自然科学版)》期刊2019年04期）
李志鹏,张智瀚,王睿,陈堂贤[4]（2019）在《基于变分模态分解和改进鲸鱼算法优化的模糊神经网络风速预测模型》一文中研究指出风速预测在风电场安全并网和智能化管理中起着决定性作用,针对风速的非线性和不稳定等特点,提出了一种基于变分模态分解(VMD)和改进鲸鱼算法优化的模糊神经网络(VMD-CGWOA-ANFIS)的混合预测模型。该模型首先使用变分模态分解技术将原始风速序列分解为一系列子序列,而后对各子序列分别采用模糊神经网络(ANFIS)建立预测模型。为进一步提高预测精度,同时克服鲸鱼(WOA)算法容易陷入局部最优和收敛过早的缺点,引入共轭梯度算法(CG)对WOA进行改进,利用改进的CGWOA算法对ANFIS参数进行优化。使用优化后的ANFIS分别对变分模态分解后的各子序列进行预测,最后将预测后的各子序列迭加得到最终预测结果。为测试模型的有效性,选择宁夏地区3组实际风电数据进行模拟试验,将ANFIS,VMD-ANFIS,VMD-WOA-ANFIS与提出模型进行对比,结果表明所提出的混合模型预测精度明显高于其他对比模型。(本文来源于《电力与能源》期刊2019年03期）
张坤,杨艳明,郑伟,高晓红[5]（2019）在《量子遗传算法和模糊神经网络结合的预测模型》一文中研究指出为解决网络流量时间序列的预测问题,针对传统模糊神经网络通常使用梯度下降法作为搜索算法容易陷入局部极小值的不足,文章提出了一种量子遗传算法与模糊神经网络相结合的网络流量时间序列预测模型。该算法利用量子遗传算法优化模糊神经网络的权值,对实际采集的网络流量时间序列进行建模。最后,预测结果表明模型具有较好的预测精度和效果。(本文来源于《统计与决策》期刊2019年12期）
金阳忻[6]（2019）在《基于模糊神经网络的电能表误差超差风险预测模型》一文中研究指出随着智能电能表分拣业务的开展,为实现分拣后重复利用电能表的误差超差风险预测,将分拣中测得的智能电能表误差数据和其它相关参数分类后作为征兆,设计了一种适用于电能表误差超差风险预测的改进模糊神经网络模型。先利用BP-RBF混合神经网络得到未来第n年误差的预测值,在此基础上通过模糊推理方法得到未来第n年电能表误差超差的风险。最后利用浙江分拣试点工作的部分结果作为训练和预测数据进行了风险预测模型的验证,经验证其有效性符合预期。(本文来源于《电网技术》期刊2019年06期）
蒋美云[7]（2019）在《船舶障碍避让系统中模糊神经网络多步预测模型设计》一文中研究指出水路运输自古以来就是一种非常重要的商品流通途径,对促进经济发展和贸易往来有重要的意义,特别是近年来,经济全球化的趋势不断加强,远洋海上运输成为世界范围内商品贸易的主要途径。在船舶的正常航行过程中,障碍避让是非常重要的性能,是保障船舶安全航行的重要条件。由于船舶在航线航行时,受到许多未知环境的干扰条件因素影响,比如其他船舶、暗礁等,因此,研究船舶的避障技术有重要意义。本文充分利用神经网络算法和模糊算法,对船舶的障碍避让系统进行开发,设计了基于模糊神经网络的船舶障碍避让预测模型。(本文来源于《舰船科学技术》期刊2019年08期）
仲玥,王晓亮[8]（2019）在《基于T-S模糊神经网络模型的Co-WC复合镀层磨损量的预测》一文中研究指出在高速钢(W18Cr4V基体上)表面,运用脉冲电沉积技术制取Co-WC镀层。建立T-S模糊神经网络模型预测镀层磨损量。利用SEM以及XRD研究镀层形貌及物相组成。试验表明:T-S模型的模糊神经网络能较好的预测Co-WC复合镀层磨损量。当WC粒子含量30 g/L、施镀温度50℃、电流密度3.5 A·dm~(-2)、pH值5、搅拌速率500 r·min~(-1),稀土CeO_2含量10 g/L,Co-WC复合镀层表面平整,晶粒细化,改善了Co-WC复合镀层的性能。(本文来源于《当代化工》期刊2019年03期）
王婉娜,石慧,曾建潮[9]（2018）在《基于模糊神经网络的齿轮剩余寿命预测模型研究》一文中研究指出齿轮及其齿轮产品是机械设备的基础元件,齿轮传动形式是机械装备常见的传动形式之一,运行是否正常直接影响到整台机械设备。利用状态监测信息分析其退化性能,建立适当的模型研究退化特征的发展趋势、预测设备剩余寿命,为制定更合理的维修计划和更换策略、确定维修周期提供先决条件。基于设备性能退化数据建模进行剩余寿命研究,提出基于改进型自适应神经模糊系统的学习算法。此算法融合了多测点的实时监测信息,增加记忆单元于模糊层节点上,将上一时刻信息记忆并应用到此刻的输出上,有效地提高了网络模型的预测精度。最后以齿轮弯曲疲劳寿命预测为例,验证改进的预测模型随着迭代次数的增多,误差相比传统的自适应神经模糊系统降低很多。(本文来源于《太原科技大学学报》期刊2018年06期）
周杉杉,李文静,乔俊飞[10]（2018）在《基于MRMR-PSO的递归模糊神经网络PM2.5预测模型》一文中研究指出针对PM2.5浓度预测中存在的特征变量之间关系复杂、信息冗余问题,提出了一种基于互信息最大相关最小冗余(maximum relevance-minimum redundancy,MRMR)准则结合粒子群优化算法(particle swarm optimization,PSO)的混合特征选择算法,并采用所设计的递归模糊神经网络(recurrent fuzzy neural network,RFNN)为预测模型实现PM2.5浓度预测。首先根据MRMR准则对变量的互信息进行计算并排序,过滤掉一些相关性小的特征。然后将PSO优化算法与RFNN预测模型结合,以RFNN的预测精度作为PSO的适应度函数在过滤得到的特征中选择出最优特征子集,作为RFNN模型的输入变量。将该方法用于PM2.5浓度预测实验,与3种不同特征选择算法的结果进行对比,基于互信息和PSO混合特征选择方法的RFNN预测模型利用最少的特征获得了最小的预测误差,说明该方法能够有效地用于PM2.5浓度预测。(本文来源于《计算机与应用化学》期刊2018年10期）
模糊神经网络预测模型论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为了解决火电厂供热和供电的矛盾、增强机组的调峰范围,需要建立精确的热负荷预测模型。针对热电联供系统热负荷影响因素多、耦合性非线性强等特点,利用T-S模糊神经网络算法建立热负荷预测模型,用于预测未来时间热负荷的变化。通过基于减法聚类的模糊C均值聚类算法进行结构辨识,再利用模糊神经网络的混合学习算法进行参数辨识。为了建立热负荷的精确模型,选取热负荷的主要影响因素作为变量。其中,将室外温度、供水温度、回水温度、供水流量作为输入变量,热负荷作为输出变量,并从热电厂DCS上采集连续两天24 h的历史数据,将前一天的数据作为训练集和后一天的数据作为检测集。在MATLAB上进行试验。仿真结果显示:98%的训练样本的相对误差在±0.4%之间,且98%的检测样本的相对误差在±0.6%之间。这表明预测模型的拟合度精确度较好,可以为供热机组调峰研究提供依据。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
模糊神经网络预测模型论文参考文献
[1].肖金球,周翔,潘杨,冯威,陈多观.GA-BP优化TS模糊神经网络水质监测与评价系统预测模型的应用——以太湖为例[J].西南大学学报(自然科学版).2019
[2].姜平,赵保国,张海伟,李丽锋,王鹏程.基于T-S模糊神经网络的热负荷预测模型[J].自动化仪表.2019
[3].李耀贵,伍先明.基于模糊神经网络的铣床热误差预测模型研究[J].井冈山大学学报(自然科学版).2019
[4].李志鹏,张智瀚,王睿,陈堂贤.基于变分模态分解和改进鲸鱼算法优化的模糊神经网络风速预测模型[J].电力与能源.2019
[5].张坤,杨艳明,郑伟,高晓红.量子遗传算法和模糊神经网络结合的预测模型[J].统计与决策.2019
[6].金阳忻.基于模糊神经网络的电能表误差超差风险预测模型[J].电网技术.2019
[7].蒋美云.船舶障碍避让系统中模糊神经网络多步预测模型设计[J].舰船科学技术.2019
[8].仲玥,王晓亮.基于T-S模糊神经网络模型的Co-WC复合镀层磨损量的预测[J].当代化工.2019
[9].王婉娜,石慧,曾建潮.基于模糊神经网络的齿轮剩余寿命预测模型研究[J].太原科技大学学报.2018
[10].周杉杉,李文静,乔俊飞.基于MRMR-PSO的递归模糊神经网络PM2.5预测模型[J].计算机与应用化学.2018